JobAgent-MultiAgent

基于 LangGraph 的多智能体求职助手系统

📖 项目简介

JobAgent-MultiAgent 是一个基于 LangGraph 和多智能体协同架构的智能求职助手系统。通过 Supervisor 模式协调多个专业 Agent，为求职者提供从简历分析、岗位搜索、求职信生成到公司调研的一站式求职辅助服务。

📚 本项目参考自 JobPilot-Multi-agent 项目

🎯 解决的痛点

招聘平台碎片化：信息分散在多个平台，检索效率低
岗位文本非结构化：JD 描述不统一，难以快速匹配
求职材料同质化：简历和求职信缺乏针对性，竞争力不足
决策成本高：需要大量时间进行岗位筛选、公司调研和材料准备

✨ 核心价值

🔍 智能职位搜索：多维度过滤，快速匹配合适岗位
📄 简历智能解析：自动提取技能、经历、成就要点
✉️ 求职信生成：基于岗位 JD 和简历内容，生成定制化求职信
🌐 公司/行业调研：快速聚合企业背景信息，辅助决策
💬 多轮对话策略：支持上下文理解，提供个性化求职建议

🚀 功能特性

功能模块	说明	核心价值
智能职位搜索	支持行业、技能、地域、工作类型等多维度过滤	降低初筛时间，提高匹配精度
简历智能解析	自动提取技能、经历、成就要点，结构化展示	为后续功能提供结构化数据支持
求职信生成	基于岗位 JD 和简历内容，生成定制化求职信	提升求职材料的针对性和专业度
公司/行业调研	网页搜索+内容抓取，快速聚合企业背景信息	节省调研时间，辅助决策
多轮对话策略	支持追问和上下文理解，提供求职策略建议	减少重复输入，提供个性化指导
可扩展工具层	模块化设计，支持自定义工具和数据源接入	灵活扩展，适应不同场景需求

🏗️ 系统架构

架构设计

采用 Supervisor + Multi-Agent 模式，通过中央调度器协调多个专业智能体协同工作。

┌─────────────────────────────────────────────────────────┐
│                    Streamlit UI 前端                     │
│          (文件上传 + 对话界面 + 结果展示/下载)            │
└────────────────────┬────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────┐
│                  Supervisor 调度器                       │
│         (意图识别 + 任务分配 + 流程编排)                  │
└─────┬───────┬───────┬───────┬───────┬──────────────────┘
      │       │       │       │       │
      ▼       ▼       ▼       ▼       ▼
┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐
│Resume│ │ Job  │ │Cover │ │ Web  │ │Chat  │
│Analyz│ │Search│ │Letter│ │Resear│ │ Bot  │
│  er  │ │  er  │ │Gener │ │ cher │ │      │
└──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘
   │        │        │        │        │
   └────────┴────────┴────────┴────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────┐
│                    工具层 (Tools)                        │
│  • 简历解析 (PyPDF/PyMuPDF)                              │
│  • 职位搜索 (Serper API)                                 │
│  • 网页抓取 (FireCrawl API)                              │
│  • 文档生成 (python-docx)                                │
└─────────────────────────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────┐
│                  大模型层 (LLMs)                         │
│  • 通义千问 (Qwen)                                       │
│  • OpenAI 兼容接口 (DeepSeek/GPT等)                      │
└─────────────────────────────────────────────────────────┘

智能体说明

Agent	职责	工具
Supervisor	意图识别、任务分配、流程编排	-
ResumeAnalyzer	解析和分析简历内容	resume_extractor, google_search
JobSearcher	根据条件搜索匹配岗位	job_search, google_search
CoverLetterGenerator	生成个性化求职信	generate_letter, save_cover_letter
WebResearcher	在线信息搜集和整理	google_search, scrape_website
ChatBot	处理一般性对话和咨询	-

💻 技术栈

核心框架

LangChain：LLM 应用开发框架
LangGraph：多智能体工作流编排
Streamlit：Web UI 框架

大模型支持

通义千问 (Qwen)：阿里云 DashScope API
OpenAI 兼容接口：OpenAI GPT、DeepSeek 等

外部服务

Serper API：Google 搜索服务
FireCrawl API：网页内容抓取

数据处理

PyPDF / PyMuPDF：PDF 文件解析
python-docx：Word 文档生成
Pydantic：数据验证和模型定义

🚀 快速开始

环境要求

Python 3.8+
pip 或 conda

安装步骤

克隆项目

git clone https://github.com/yourusername/JobAgent-MultiAgent.git
cd JobAgent-MultiAgent

安装依赖

pip install -r requirements.txt

配置环境变量

创建 .env 文件或配置 .streamlit/secrets.toml：

# 大模型配置（必需）
OPENAI_API_KEY=sk-xxxxx
OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

# 外部服务（可选）
SERPER_API_KEY=xxxxx
FIRECRAWL_API_KEY=xxxxx

# LangSmith 追踪（可选）
# 方式一：启用 LangSmith 监控（需填写 API Key）
# 访问 https://smith.langchain.com/ 获取 Key
LANGCHAIN_API_KEY=langsmith_api_key_here
LANGCHAIN_TRACING_V2=true
LANGCHAIN_PROJECT=JOB_SEARCH_AGENT

# 方式二：禁用 LangSmith 追踪
# LANGCHAIN_TRACING_V2=false

启动应用

streamlit run app.py

应用将在浏览器中自动打开：`http://localhost:8501` 前端界面如下图所示：

📖 使用指南

首次配置（3 分钟）

步骤 1：配置大模型

在左侧边栏找到 "🤖 大模型配置"：

使用通义千问（推荐）

模型名称: qwen-plus
API Key: sk-0e3a18e93ca345b2a886fc0592d55f80
Base URL: https://dashscope.aliyuncs.com/compatible-mode/v1
Temperature: 0.3

使用 DeepSeek

模型名称: deepseek-chat
API Key: 你的 DeepSeek API Key
Base URL: https://api.deepseek.com/v1
Temperature: 0.3

使用 OpenAI

模型名称: gpt-4
API Key: 你的 OpenAI API Key
Base URL: https://api.openai.com/v1
Temperature: 0.3

步骤 2：配置外部服务（可选）

Serper API Key: 你的 Serper Key（用于网络搜索）
FireCrawl API Key: 你的 FireCrawl Key（用于网页抓取）

步骤 3：上传简历

在 "📄 简历管理" 区域上传 PDF 格式的简历。

使用示例

场景 1：简历分析

1. 上传简历
2. 点击 "总结我的简历"
3. 查看分析结果（技能、经验、优势等）

场景 2：岗位搜索

输入：搜索北京的机器学习工程师岗位
查看：岗位列表（职位名称、公司、地点、申请链接）

场景 3：求职信生成

输入：为我生成一份申请字节跳动 AI 工程师的求职信
查看：生成的求职信
下载：DOCX 文件

场景 4：复合任务

输入：分析我的简历并推荐合适岗位
系统会自动：
  1. 先分析简历
  2. 再根据分析结果推荐岗位

🔄 大模型切换

统一的 LLM 抽象层

项目支持灵活切换不同的大模型提供商，无需修改业务逻辑代码。

支持的模型配置

1. 通义千问（原生接口）

settings = {
    "model": "qwen-plus",
    "model_provider": "tongyi",
    "DASHSCOPE_API_KEY": "sk-xxxxx"
}

2. 通义千问（OpenAI 兼容模式）

settings = {
    "model": "qwen-plus",
    "model_provider": "openai",
    "OPENAI_API_KEY": "sk-xxxxx",
    "OPENAI_BASE_URL": "https://dashscope.aliyuncs.com/compatible-mode/v1"
}

3. OpenAI GPT

settings = {
    "model": "gpt-4",
    "model_provider": "openai",
    "OPENAI_API_KEY": "sk-xxxxx",
    "OPENAI_BASE_URL": "https://api.openai.com/v1"
}

4. DeepSeek

settings = {
    "model": "deepseek-chat",
    "model_provider": "openai",
    "OPENAI_API_KEY": "sk-xxxxx",
    "OPENAI_BASE_URL": "https://api.deepseek.com/v1"
}

📁 项目结构

JobAgent-MultiAgent/
├── app.py                      # Streamlit 应用入口
├── agents.py                   # Agent 定义和工作流编排
├── llms.py                     # 大模型初始化和管理
├── chains.py                   # LangChain 链定义
├── tools.py                    # 工具函数集合
├── prompts.py                  # 提示词模板
├── members.py                  # Agent 成员配置
├── schemas.py                  # 数据模型定义
├── utils.py                    # 工具类 (Serper/FireCrawl)
├── data_loader.py              # 数据加载和处理
├── custom_callback_handler.py  # 自定义回调处理
├── requirements.txt            # 依赖包列表
├── .env                        # 环境变量配置
├── temp/                       # 临时文件存储
└── README.md                   # 项目说明文档

🎯 项目亮点

1. 多智能体协同架构

采用 Supervisor 模式，实现任务的智能分配和编排
支持单一任务和复合任务的自动识别和执行
Agent 之间可以共享上下文，实现协作

2. 灵活的模型切换机制

统一的 LLM 抽象层，支持多种大模型提供商
通过配置文件或 UI 界面即可切换模型
支持 OpenAI 兼容接口，扩展性强

3. 模块化设计

工具层、Agent 层、UI 层解耦
易于扩展新的 Agent 和工具
清晰的代码结构，便于维护

4. 用户友好的交互

Streamlit 提供直观的 Web 界面
支持文件上传、对话交互、结果下载
预设常用问题，降低使用门槛

5. 完整的求职流程覆盖

从简历分析到岗位搜索，再到求职信生成
提供公司调研和策略咨询
一站式解决求职痛点

📊 功能对照表

功能	需要简历	需要 Serper	需要 FireCrawl	说明
简历分析	✅	❌	❌	分析简历内容
岗位搜索	❌	✅	❌	搜索职位信息
求职信生成	✅	❌	❌	生成个性化求职信
公司调研	❌	✅	✅	搜索并抓取公司信息
简历+岗位推荐	✅	✅	❌	基于简历推荐岗位
一般对话	❌	❌	❌	求职策略咨询

❓ 常见问题

Q1: 提示 "请先配置模型 API Key 和 Base URL"

A: 在左侧边栏的 "🤖 大模型配置" 中填写完整的配置信息。

Q2: 提示 "请先上传您的简历"

A: 在左侧边栏的 "📄 简历管理" 中上传 PDF 简历。

Q3: 搜索功能不可用

A: 需要配置 Serper API Key。访问 https://serper.dev/ 注册获取。

Q4: 网页抓取功能不可用

A: 需要配置 FireCrawl API Key。访问 https://firecrawl.dev/ 注册获取。

Q5: 如何切换模型？

A: 在 "🤖 大模型配置" 中修改模型名称、API Key 和 Base URL 即可，无需重启应用。

🎉 致谢

感谢以下开源项目：

祝你求职顺利！🚀

Made with ❤️ by JobAgent-MultiAgent Team

Name		Name	Last commit message	Last commit date
Latest commit History 4 Commits
.devcontainer		.devcontainer
temp		temp
README.md		README.md
agents.py		agents.py
app.py		app.py
chains.py		chains.py
custom_callback_handler.py		custom_callback_handler.py
data_loader.py		data_loader.py
dummy_resume.pdf		dummy_resume.pdf
llms.py		llms.py
main.png		main.png
members.py		members.py
multiagent.png		multiagent.png
prompts.py		prompts.py
requirements.txt		requirements.txt
schemas.py		schemas.py
search.py		search.py
tools.py		tools.py
utils.py		utils.py

Folders and files

Latest commit

History

Repository files navigation